L'intelligence artificielle : de Turing à ChatGPT
Notion
8 min de lecture1950 - aujourd'huiL'intelligence artificielle (IA) désigne l'ensemble des techniques permettant à des machines d'accomplir des tâches qui, chez l'humain, requièrent de l'intelligence : reconnaître une image, comprendre une phrase, jouer aux échecs, conduire, diagnostiquer. Le terme est forgé en 1956, lors d'un séminaire d'été au Dartmouth College, par une poignée de chercheurs (John McCarthy, Marvin Minsky) persuadés qu'une machine pensante était à portée de main. Soixante-dix ans plus tard, le débat n'est pas clos.
L'histoire de l'IA est faite de printemps et d'hivers. Les premiers succès (programmes de démonstration de théorèmes, jeux) nourrissent des promesses démesurées, suivies de désillusions et de coupes budgétaires (années 1970, puis fin des années 1980). Deux paradigmes s'affrontent : l'IA symbolique, qui code explicitement des règles logiques (les systèmes experts), et l'IA connexionniste, qui imite les neurones du cerveau et apprend par l'exemple. Longtemps marginale, la seconde triomphe en 2012 quand un réseau de neurones profond (deep learning) écrase ses concurrents en reconnaissance d'images, grâce à trois ingrédients enfin réunis : d'immenses quantités de données (Internet), une puissance de calcul massive (les puces graphiques) et des algorithmes améliorés.La décennie suivante est vertigineuse : AlphaGo bat le champion du monde de go (2016), les assistants vocaux se généralisent, et en novembre 2022 ChatGPT d'OpenAI met entre les mains de cent millions de personnes en deux mois une IA générative capable de rédiger, résumer, traduire, coder et converser. Les grands modèles de langage (LLM) entraînés sur l'essentiel du Web bouleversent le travail intellectuel, l'éducation, la création et l'information.L'IA soulève alors toutes les questions à la fois : emploi, désinformation, biais, concentration du pouvoir, consommation d'énergie, propriété intellectuelle, et jusqu'à la crainte d'une intelligence qui échapperait à ses créateurs. L'Union européenne y répond par le premier grand cadre juridique, l'AI Act (2024). Qu'elle soit outil, rivale ou miroir de l'intelligence humaine, l'IA est le sujet de culture générale de la décennie.Définition
L'intelligence artificielle est, selon la définition de Marvin Minsky, « la science qui fait faire aux machines des choses qui demanderaient de l'intelligence si elles étaient faites par des hommes ». On distingue l'IA faible (ou étroite), spécialisée dans une tâche (jouer au go, reconnaître un visage), la seule qui existe, et l'IA forte ou générale (AGI), hypothétique, qui égalerait l'humain dans tous les domaines et aurait peut-être une conscience.L'apprentissage automatique (machine learning) est la branche de l'IA où la machine améliore ses performances à partir de données, sans que les règles soient explicitement programmées. L'apprentissage profond (deep learning) en est la variante fondée sur des réseaux de neurones artificiels à nombreuses couches, inspirés du cerveau : chaque « neurone » calcule une somme pondérée de ses entrées, et l'apprentissage consiste à ajuster des milliards de poids par essais et erreurs sur des exemples.L'IA générative produit des contenus nouveaux (texte, image, son, code) à partir d'une instruction (prompt). Les grands modèles de langage (LLM, comme GPT, Gemini, Claude, Llama, Mistral) sont entraînés à prédire le mot suivant sur des milliers de milliards de mots ; cette tâche simple, à très grande échelle, fait émerger des capacités de raisonnement, de traduction et de dialogue. Le test de Turing (1950) propose de juger l'intelligence d'une machine à sa capacité à se faire passer pour un humain dans une conversation.
Contexte
Le rêve de la créature artificielle est ancien (Golem, automates de Vaucanson, Frankenstein, robots de Čapek en 1920), mais l'IA naît avec l'ordinateur. Turing pose la question « les machines peuvent-elles penser ? » en 1950 ; McCulloch et Pitts modélisent le neurone en 1943 ; Rosenblatt construit le Perceptron en 1957. La conférence de Dartmouth (été 1956) baptise la discipline, et les années 1960 sont euphoriques : Herbert Simon prédit en 1965 qu'« en vingt ans, les machines seront capables de faire tout travail qu'un homme peut faire ».Le rapport Lighthill (Royaume-Uni, 1973) et le livre de Minsky et Papert contre les perceptrons (1969) provoquent le premier hiver. Les années 1980 relancent l'IA symbolique avec les systèmes experts (MYCIN en médecine) et le projet japonais de « cinquième génération », avant un second hiver à la fin de la décennie. Pendant ce temps, quelques obstinés (Geoffrey Hinton, Yann LeCun, Yoshua Bengio, prix Turing 2018) perfectionnent les réseaux de neurones ; LeCun fait lire les chèques par des réseaux convolutifs dès 1989.Le tournant est 2012 : AlexNet, réseau profond entraîné sur des GPU, remporte le concours ImageNet avec une marge écrasante. Les GAFAM recrutent massivement (Hinton chez Google, LeCun chez Facebook). Suivent AlphaGo (2016), l'architecture Transformer de Google (2017), fondement de tous les LLM, GPT-3 (2020), et ChatGPT (30 novembre 2022), le produit à l'adoption la plus rapide de l'histoire. En 2023-2025, la course mondiale mobilise des centaines de milliards de dollars, la Chine rattrape son retard (DeepSeek, janvier 2025), l'Europe adopte l'AI Act (2024) et tente d'exister (Mistral AI). Hinton, prix Nobel de physique 2024, quitte Google pour alerter sur les risques de sa propre création.
Mécanismes
- Le réseau de neurones : des couches de neurones artificiels, chacun calculant une fonction simple de ses entrées ; en empilant des dizaines de couches, on obtient des représentations de plus en plus abstraites (des pixels aux contours, aux formes, aux objets).
- L'apprentissage supervisé : on montre des millions d'exemples étiquetés (image : « chat ») et on corrige les poids du réseau à chaque erreur (rétropropagation du gradient). L'IA ne comprend pas ce qu'est un chat : elle a appris une fonction statistique qui reconnaît les chats.
- La prédiction du mot suivant : un LLM est entraîné à deviner le mot qui suit dans des milliards de textes. Pour bien deviner, il doit intégrer grammaire, faits, style et raisonnement : ces capacités « émergent » de l'échelle. Puis un apprentissage par renforcement avec retours humains (RLHF) l'aligne sur les attentes des utilisateurs.
- La loi d'échelle : plus le modèle a de paramètres, de données et de calcul, meilleur il est, de façon prévisible. D'où la course aux centres de données et aux puces Nvidia, et des coûts d'entraînement de centaines de millions de dollars.
- Les hallucinations : un LLM produit du texte plausible, non du texte vrai ; il peut inventer des faits, des citations, des sources avec assurance. C'est une propriété structurelle, non un bug.
- Les biais et l'alignement : le modèle reproduit les biais de ses données d'entraînement (Internet) ; l'alignement vise à le rendre utile, honnête et inoffensif, par des filtres et des instructions, sans garantie absolue.
Enjeux & débats
1) L'IA pense-t-elle ? Le test de Turing est passé de fait par les LLM, mais l'objection de la « chambre chinoise » de John Searle (1980) reste : manipuler des symboles selon des règles n'est pas comprendre. Les linguistes parlent de « perroquets stochastiques » (Emily Bender, 2021) ; d'autres estiment que la compréhension n'est qu'une affaire de degré et que le cerveau aussi prédit. Le débat rejoue Lovelace contre Turing et engage la définition même de l'intelligence et de la conscience.2) Emploi et travail. Contrairement aux automatisations passées, l'IA générative touche les tâches intellectuelles : traduction, rédaction, code, droit, comptabilité, illustration. Le FMI estime que 40 % des emplois mondiaux sont exposés. Destruction massive ou transformation, comme à chaque révolution technique ? Les économistes (Acemoglu) soulignent que le résultat dépend des choix politiques : partage des gains, formation, régulation. La grève des scénaristes d'Hollywood (2023) a obtenu les premières garanties collectives contre l'IA.3) Risques : lesquels réguler ? Trois écoles s'affrontent. Les « doomers » (Hinton, une partie d'OpenAI) craignent une IA générale incontrôlable et réclament un moratoire ; les critiques sociales (Timnit Gebru) jugent ce discours spéculatif et pointent les dommages présents (biais, désinformation, surveillance, précarité des travailleurs du clic, empreinte carbone) ; les accélérationnistes refusent toute entrave au nom de l'innovation. L'AI Act européen (2024) tranche par une approche par les risques : interdiction de la notation sociale, obligations fortes pour les usages à « haut risque » (recrutement, justice, crédit), transparence pour les IA générales.
Exemples
- ELIZA (1966) : programme de Joseph Weizenbaum simulant un psychothérapeute par de simples reformulations ; ses utilisateurs s'y attachaient, ce qui effraya son créateur. Premier « chatbot » et première leçon sur la projection humaine.
- Deep Blue contre Kasparov (1997) : l'ordinateur d'IBM bat le champion du monde d'échecs par la force de calcul (200 millions de positions par seconde). Victoire de l'IA symbolique et de la puissance brute.
- AlphaGo contre Lee Sedol (mars 2016) : le programme de DeepMind (Google) bat le champion coréen 4 à 1 au go, jeu jugé hors de portée ; le « coup 37 » de la deuxième partie, jamais joué par un humain, symbolise la créativité de l'apprentissage par renforcement.
- AlphaFold (2020) : DeepMind résout le problème du repliement des protéines, ouvert depuis cinquante ans ; ses créateurs reçoivent le prix Nobel de chimie 2024. L'IA comme instrument de découverte scientifique.
- ChatGPT (30 novembre 2022) : agent conversationnel d'OpenAI fondé sur GPT-3.5, 100 millions d'utilisateurs en deux mois. Il fait entrer l'IA générative dans les écoles, les entreprises et le débat public mondial.
- DeepSeek (janvier 2025) : modèle chinois affichant des performances comparables aux leaders américains pour un coût annoncé bien inférieur, malgré l'embargo sur les puces ; il fait chuter Nvidia en Bourse et relance le débat sur la course sino-américaine.
- L'AI Act (Union européenne, adopté en 2024) : premier cadre juridique complet sur l'IA au monde, classant les systèmes par niveau de risque, avec des interdictions (notation sociale, reconnaissance émotionnelle au travail) et des obligations progressives jusqu'en 2027.
Pièges & confusions
- Confondre IA et IA générative : la recommandation, la reconnaissance faciale, le GPS relèvent de l'IA depuis longtemps ; ChatGPT n'en est qu'une forme récente.
- Croire qu'un LLM « sait » ou « cherche » des faits : il prédit des mots plausibles ; d'où les hallucinations et l'obligation de vérifier.
- Prendre l'IA forte pour acquise ou imminente : elle reste hypothétique ; les experts sont profondément divisés sur sa possibilité et son calendrier.
- Réduire l'IA à une invention récente : le terme date de 1956, les réseaux de neurones de 1943-1957, et l'histoire est faite de cycles d'euphorie et d'hivers.
- Oublier les coûts cachés : électricité et eau des centres de données, travailleurs du clic dans les pays pauvres qui étiquettent les données, contenus créés sans consentement.
Usage concours / oral
L'IA est le sujet transversal par excellence : elle peut surgir dans une question sur le travail, la vérité, la création, la conscience, le pouvoir ou l'éducation. Ayez une définition nette (Minsky), la distinction IA faible / IA forte, et la différence entre IA symbolique et apprentissage, qui vous permet d'expliquer pourquoi 2012 et 2022 sont des ruptures.Pour une dissertation sur la pensée ou la conscience, articulez Turing (1950), Searle (1980) et Bender (2021) : le test, la chambre chinoise, le perroquet stochastique. Pour un sujet sur le travail, mobilisez Acemoglu et la grève d'Hollywood ; sur la vérité, les hallucinations et les deepfakes ; sur la science, AlphaFold et le Nobel 2024. À l'oral, on vous demandera probablement votre usage de ChatGPT : soyez lucide (outil de brouillon, de synthèse, mais source non fiable, à vérifier) et montrez que vous comprenez ce qu'est un LLM.Enfin, tenez-vous informé : l'IA est le domaine où l'actualité bouge le plus vite (AI Act, DeepSeek, Nobel de Hinton, investissements des GAFAM). Un exemple des six derniers mois vaut mieux qu'une référence de 2016.
Sources
Questions d'oral
1Qu'est-ce que l'intelligence artificielle ?2Une machine peut-elle comprendre ce qu'elle dit ?3Pourquoi 2012 et 2022 sont-elles des dates clés de l'IA ?4L'IA va-t-elle détruire les emplois ?5Faut-il craindre une intelligence artificielle générale ?
+ 2 autres questions